前几天跟一个做企业服务的朋友吃饭,他提到现在客户问的问题跟两年前完全不一样了。2023年大家还在问“你们的大模型能力怎么样”,现在开口就是“这个场景能省多少人、多久能回本”。这个变化听起来微妙,其实挺要命的——它意味着AI商业化的底层逻辑正在被重写。
1.1 从技术供给到企业价值:AI商业化的核心命题
我翻了下近半年的一级市场融资数据,纯做模型层的公司估值增速明显放缓,反倒是那些扎进行业里做解决方案的团队更容易拿到钱。有个做制造业质检的创业者跟我说,他们去年砍掉了整个通用算法团队,把资源全压到三个细分产线的缺陷检测上,客单价翻了四倍。这不是个案。
技术供给端的热闹跟企业买单端的冷静,中间隔着一道挺深的沟。企业不关心你参数量多大、榜单排第几,只关心停线时间能不能降下来、客服人力成本能不能砍掉三成。Anthropic的Dario Amodei前段时间有个判断我觉得挺准,他说AI商业化的分水岭在于“从卖能力到卖结果”的转变。这话听着像口号,落到合同条款上就是实打实的按效果付费、按节省成本分成。
我自己接触过的企业采购决策里,CFO介入AI项目的比例在明显上升。前两年是CTO拍板试个POC,现在预算超过五十万的单子基本都要过财务模型。这个信号很直白:AI采购正在从“技术探索”科目挪到“资本支出”科目,评估标准自然就变了。
1.2 资讯观察框架:企业应用、ROI与盈利模式三重视角
看AI商业化的资讯有个麻烦,信息太碎。今天这家发模型、明天那家签大单,单看每条都挺热闹,串起来就看不清脉络。我自己习惯用三个筛子来过滤:企业到底怎么用、钱怎么算回来、厂商怎么收钱。这三个维度交叉着看,能过滤掉不少噪音。
企业应用这个维度最容易被高估。发布会上的demo跟产线上的实际部署,差距可能比想象中大。我见过一家零售企业买了智能补货系统,结果因为门店店长不信任算法推荐,硬是手动改单改了三个月。这类“软性阻力”在资讯里几乎看不到,但它直接决定项目死活。
ROI的资讯就更稀缺了。厂商宣传口径通常是“效率提升40%”,但分母是什么、测算周期多长、隐性成本算没算进去,往往语焉不详。我比较看重那些敢把“总拥有成本”拆开讲的公司,哪怕数字不好看,至少说明他们真算过账。盈利模式这块,订阅制、按量付费、按效果分成、平台抽佣,每种模式背后对应的客户关系和组织能力要求完全不同。SaaS订阅要的是客户成功团队,按效果付费要的是兜底交付能力,选错了模式比选错了场景更致命。
这三个视角搁一块儿看,才能拼出一张相对完整的图。单独看任何一个都容易得出偏颇的结论。
1.3 AI商业化趋势信号:场景下沉、价值计量与定价创新
最近有几个信号挺值得琢磨。一是场景在往下沉。前两年AI应用集中在互联网和金融,现在制造业车间、县域医院、农业合作社都开始出现像样的部署。上周看到个案例,山东一个养鸡场用AI做鸡舍环境控制,单栋鸡舍一年省了七万块电费。这种“土味场景”的ROI反而算得特别清楚,因为变量少、数据干净。
价值计量这件事正在从模糊走向具体。有个做法律AI的团队跟我讲,他们跟客户签合同不再按账号收费,而是按“审阅合同份数+风险条款识别准确率”来定价。客户法务总监的原话是“我知道每份合同省了四十分钟人工,这个账我认”。计量单位越贴近客户的业务语言,成交阻力越小。
定价创新这块,混合模式开始多起来。纯订阅制在AI产品上有天然缺陷——客户用不满吃亏、用超了厂商亏,两边都不舒服。现在看到比较多的做法是“基础订阅费+超额用量费+效果奖金”三层结构,或者“低底薪+高分成”的效果对赌。有个做客服AI的厂商跟我说,他们跟一个大客户签的合同里,30%的收入挂钩“客户满意度提升幅度”,虽然风险高,但客户续约意愿明显更强。这些变化加在一起,指向一个判断:AI商业化的竞争重心正在从“模型能力”转向“价值交付能力”,谁能把价值算清楚、把风险分合理,谁就能在下一轮里占住位置。
上周去杭州见了个老朋友,他在一家年营收三十亿的制造企业做数字化负责人。聊到AI落地,他给我看了张内部用的矩阵图,横轴是业务价值,纵轴是落地难度,密密麻麻标了二十多个场景。他说这张图每季度都要重画一遍,有些场景从"高价值低难度"挪到"已上线",有些则被划掉了。这个动作本身挺有意思,它说明企业侧对AI的认知正在从"能做吗"转向"值不值得做、先做哪个"。
2.1 企业AI应用成熟度分层:试点、规模化与原生重构
我自己观察下来,企业AI应用基本可以分成三层。最底下那层是试点期,特征是场景零散、预算从创新基金出、KPI不明确。这个阶段的企业往往同时跑好几个POC,但真正能转生产的不到三成。我见过一家零售集团,去年一口气上了六个AI项目,年底复盘时发现四个连数据管道都没打通,纯粹是各部门抢预算的产物。
往上一层是规模化期。这个阶段的标志是成立专门的AI中台或COE(卓越中心),有统一的模型管理平台和成本核算机制。有个做消费电子的客户跟我说,他们今年把AI推理成本纳入了每个产品线的损益表,哪个事业部用得多就分摊得多。这个动作听着很财务,实际上倒逼了业务部门认真评估每个AI功能的使用频次和真实价值。
最上面那层叫原生重构,目前国内能摸到这个门槛的企业屈指可数。它的特征是AI不再是外挂工具,而是嵌入核心业务流程的决策节点。比如某头部券商把投顾服务流程整个拆了重写,从客户画像到产品推荐到合规审查,每个环节都由模型驱动、人工复核。这种改造动辄两三年,投入以亿计,但一旦跑通,护城河极深。
这三层不是线性递进的关系。我见过不少企业试点期还没跑明白就急着上中台,结果平台建好了没人用。分层这个词容易让人误解成台阶,其实更像生态位,每层有每层的活法。
2.2 重点行业落地案例:制造、金融、零售、医疗与专业服务
制造业的AI落地有个鲜明特点:场景极度具体,ROI算得极清。苏州一家精密零部件厂在质检环节上了视觉模型,替代了原来三班倒的目检工位。厂长给我算的账是:单条产线省六个人力,一年四十万出头,模型部署加年费二十万,十个月回本。他没跟我聊任何技术细节,全程在讲良率波动和客户投诉率。这种"土味"案例反而是最容易复制的。
金融行业走得靠前,但分化也最严重。大行在风控和投研上的AI投入已经是十亿量级,城商行还在为几百万的预算扯皮。我接触过一个城商行的案例挺有意思,他们没有自建模型,而是采购了第三方的小微企业信贷评估服务,按调用次数付费。信贷员反馈说审批时间从三天压到四小时,但坏账率有没有降,他们自己也在观察。金融AI最难的地方在于效果归因,一笔贷款批得好到底是模型准还是客户经理经验足,说不清楚。
零售和消费品的落地集中在供应链和营销两端。有个做休闲食品的品牌用AI做销量预测,把区域仓的备货周转天数压下来将近四成。他们的做法不是买一套标准SaaS,而是把自己的历史销售数据、天气数据、竞品促销日历全喂给模型做定制训练。这个项目跑了八个月才上线,前三个月基本在清洗数据。零售企业数据量大但质量参差,这是共性难题。
医疗行业的案例我关注得比较多,因为落地路径跟其他行业不太一样。县域医院和头部三甲走的是两条路。三甲在影像辅助诊断和病历质控上投入大,追求的是科研价值和诊疗效率双赢。县域医院更实际,有个县级人民医院采购了AI导诊和预问诊系统,主要解决的是挂号窗口排长队的问题。他们的信息科主任跟我说了句大实话:"我们不需要多先进的模型,能把患者分流做对就行。"
专业服务领域最有意思的是法律和财税。法律AI我前面提过按合同份数计费的案例。财税这块,有家代理记账公司用AI做票据识别和自动记账,把单个会计的服务客户数从三十家提到八十家。他们的老板跟我说,AI不是替代会计,是把会计从录票里解放出来去做税务筹划。这个转变对人员能力的要求反而更高了,招人标准从"细心"变成了"懂业务"。
2.3 落地成功要素:数据基础、流程适配、组织能力与生态协同
数据基础这件事怎么强调都不为过。我看过太多项目死在数据上,而且死法都很隐蔽。有一家物流企业做AI调度,模型本身没问题,但车辆位置数据的更新延迟平均有八分钟,调度指令发出去车早开走了。他们后来上了边缘计算设备做实时采集,成本比模型开发还高。数据基础不是"有没有数据"的问题,是"数据在不在该在的地方、够不够快、准不准"的问题。
流程适配的坑更软性。前面提到的零售企业智能补货案例,算法推荐准确率其实不低,但门店店长不信任系统,硬是手动改单改了三个月。后来他们的解法是把AI推荐改成"建议+一键采纳",还把采纳率纳入了店长考核。这个改动听着简单,背后是组织激励机制的调整。AI落地从来不是技术部门单方面能推的事。
组织能力这块,我比较看重企业有没有"翻译层"的角色。就是那种既懂业务又懂点技术的产品经理或解决方案架构师。有个制造企业的CIO跟我说,他们最缺的不是算法工程师,是能把车间主任的痛点翻译成模型需求的人。这个岗位市场上极稀缺,内部培养周期又长,成了不少企业规模化的瓶颈。
生态协同是我最近才开始重视的维度。单打独斗做AI的企业越来越少了,主流玩法是核心系统自建、垂直场景外采。有个券商的朋友告诉我,他们内部有个"AI供应商白名单",每个季度评估一次,评估维度包括效果稳定性、数据安全合规、响应速度。这种生态管理能力本身正在变成企业的核心竞争力。
2.4 从单点案例到可复制方案:场景优先级与规模化路径
场景优先级怎么排,我见过效果最好的是一个做建材的企业,他们的做法简单粗暴:找那些"人贵、活多、规则清"的场景先上。人贵指的是人力成本占比高,活多指的是频次高,规则清指的是判断标准明确。按这个筛子过一遍,他们第一批选了合同审核和报价单生成两个场景,四个月上线,当年省了两百多万。这个逻辑不复杂,但很多企业偏偏喜欢挑最难的场景做标杆,结果一年半载出不来东西,团队信心先垮了。
规模化路径上,我观察到两种走法。一种叫"横向复制",把一个场景做深做透然后铺到全集团。比如前面说的质检案例,那家零部件厂在一条产线上跑通后,用了九个月复制到十一条产线,边际成本递减得很明显。另一种叫"纵向打穿",沿着一个业务流从头到尾布AI节点。有个做跨境电商的朋友选了纵向路线,从选品、定价、投放、客服到售后全链路都接了模型,数据闭环打通后整体转化率提升比单点优化大得多。
两种路径没有优劣,看企业的业务结构和组织惯性。横向适合多工厂、多门店的集团型企业,纵向适合业务链条短的互联网原生公司。怕的是路径摇摆,今天想横向铺明天想纵向打,最后哪个都没跑通。
可复制方案的另一个关键点是文档化。我见过一家企业做得特别扎实,每个AI场景上线后强制要求输出三份文档:场景定义书、数据字典、运维手册。他们说这么做是因为吃过亏,第一个项目上线时核心开发离职,后面接手的人花了两个月才搞清楚模型输入输出。文档化这事听着不性感,但决定了规模化时的隐性成本。
从单点到复制的拐点,我的判断是看有没有形成"场景工厂"的能力。就是有一套标准化的流程:场景筛选、数据准备、模型选型、部署监控、效果复盘,每个环节有模板、有责任人、有时间盒。具备这个能力的企业,上新场景的速度会快一个数量级。不具备的,每个项目都像第一次做,累且慢。
上个月在深圳跟一个做电子制造的朋友吃饭,他刚被老板叫去汇报明年AI预算。他苦笑着跟我说,去年报预算的时候讲的是“战略卡位”,今年老板只问一句话:投进去的钱什么时候能回来。这个转变挺真实的,整个市场都在从“要不要做AI”往“这笔账怎么算”上迁移。我自己跟踪了十几个落地项目,发现ROI这事远比PPT上画的复杂,有些账算得清,有些账根本没法用财务科目装。
3.1 ROI评估框架:成本项、收益项与隐性价值
大部分企业算AI的账,成本项倒是列得挺全:软件授权、算力、实施费、内部人力。有个做服装的朋友给我看他们的成本表,连标注外包的盒饭钱都算进去了。但他们漏了两块大头。一块是数据治理的隐性成本,为了上一个销量预测模型,背后清洗了八个月的历史数据,这部分人力成本是项目开发的三倍。另一块是流程改造的成本,模型跑出来的建议要嵌到现有ERP里,接口开发加业务部门磨合,又是小半年。
收益项这边,显性的好算,效率提升、人力替代、周转加速,财务能对上科目。难的是隐性价值。我见过一个做医药流通的企业,AI用于首营资质审核。直接收益是审单员从十二人降到四人,一年省八十万。但他们老板更看重的是审核时效从两天缩到二十分钟,客户体验上去了,续约率涨了五个点。这个续约率提升值多少钱,财务总监跟业务总监吵了三次没吵明白。
我自己的经验是建三层框架。第一层硬ROI,就是人力、材料、能耗这些能直接对到损益表的。第二层软ROI,时效、良率、客户满意度,得用代理指标折算。第三层叫期权价值,听着虚,但确实存在。比如一个制造企业上了质检AI,积累的图像数据和缺陷样本库,未来做工艺优化或者设备预测性维护就有了基础。这层价值老板心里有数,但不会写进项目立项书。写进去反而显得不专业。
3.2 典型案例ROI拆解:效率提升、收入增长与风险降低
效率提升的案例最多。苏州那家精密零部件厂,质检环节上了视觉模型,替代两班倒的目检工位。直接人力节省一年四十二万,模型部署加年费十九万,十个月回本。这是明面上的账。厂长私下跟我说,还有一个收益他没往汇报材料里写:目检工人招工越来越难,年轻人不愿意干,AI上了之后这个岗位的用工风险没了。这个叫防御性ROI,不是多赚的,是防止你亏的。
收入增长的案例我跟踪得少,但有一个印象很深。杭州一家做跨境DTC品牌的企业,用AI做个性化推荐和动态定价。上线六个月,客单价提升百分之十一,复购率涨了四个点。他们的做法不是买标品,是把用户浏览路径、加购行为、历史订单全喂进去做实时推荐。项目投入前后砸了三百多万,但增量收入算下来一年能多出一千二百万。这个账好算,因为增量直接进GMV。
风险降低的ROI最难量化,但金融和医疗行业特别吃这套。有个城商行做小微企业信贷,接入第三方AI评估模型,按调用付费。信贷员审批时间从三天压到四小时,这是效率。更关键的是,他们过去一年小微贷的不良率是百分之二点三,用了模型之后新发放贷款的不良率降到百分之一点六。这个零点七个百分点值多少钱,风险部门算得出来:按他们五十亿的小微贷余额,一年少损失三千五百万。当然这里有个归因难题,模型到底贡献了多少,可能只有六成,剩下的靠信贷员经验。但即便打个折,账也是平的。
3.3 影响ROI的关键变量:数据质量、模型成本、采用率与流程适配
数据质量是第一变量,没有之一。我见过一个物流调度的项目,模型上线后效果一直不达标,排查了三个月发现是GPS数据延迟八分钟。调度指令发出去车都开出去两个路口了。后来上了边缘计算做实时采集,追加投入比模型开发还贵。他们CTO跟我说了句话我记到现在:AI项目预算里,数据治理的钱至少留四成,不然就是给自己挖坑。
模型成本这两年变化很大。去年大家还在拼大模型参数,今年都在算推理成本。有个做智能客服的外包公司,用开源模型微调替代了某商用API,推理成本降了七成。代价是效果掉了三个点,他们老板觉得划算,因为客单价敏感型的客户不在乎这三个点。模型成本不是越低越好,是跟业务场景的价值匹配就行。高价值场景用贵模型,边缘场景用便宜的,混着来。
采用率这个变量经常被低估。前面提过的零售企业补货案例,算法准确率百分之八十七,但门店店长不信,手动改单改了三个月。后来他们的解法是把AI推荐改成“建议+一键采纳”,还把采纳率纳入店长考核。改完之后采纳率从三成涨到八成。同样的模型,同样的数据,采用率翻一倍多,ROI能差出两倍。这个事说明AI项目的回报不取决于技术多先进,取决于业务流程里人愿不愿意用。
流程适配我把它理解成摩擦成本。有个做财税SaaS的朋友跟我吐槽,他们的AI票据识别模块技术指标很好,但客户用起来骂声一片。原因是识别完自动入账的逻辑跟客户的审批流冲突,每张票都要人工再点一遍。后来他们花两个月重写了工作流引擎,让AI识别结果直接嵌入客户现有的审批节点,投诉率降了九成。这两个月开发不产生新功能,但不投这笔钱,前面的功能全白搭。
3.4 从单项目回报到组合投资回报:AI项目组合管理与度量体系
单个项目ROI算得再清楚,也架不住项目多了之后的一笔糊涂账。我见过一个集团企业,下面八个事业部各报各的AI项目,年底汇总的时候发现三个部门买了同一家供应商的相似能力,重复付费。还有一个更离谱的,两个事业部做了互斥的模型,一个在推高客单价,一个在推低门槛试用,数据还在打架。这种事单项目视角看不出来,得上组合视角。
组合管理的第一步是建立统一的项目台账。不是简单的立项清单,要包含投入金额、预期收益类型、当前阶段、里程碑达成率。有个做地产的集团做得挺细,他们把AI项目分成三类:提效类、增长类、合规类,每类的考核周期不一样。提效类看六个月内的成本节约,增长类看十二个月的增量收入,合规类看风险事件下降率。分类之后资源分配不那么拍脑袋了。
度量体系这块,我觉得最有价值的是“回报周期分布”这个概念。不是看单个项目几个月回本,是看整个组合里有多少项目能在十二个月内回本、多少在二十四个月、多少是战略投入不计短期回报。健康的组合应该是金字塔形,底部大量短周期项目提供现金流和信心,顶部少量长周期项目做壁垒。全是短周期项目说明企业不敢投入未来,全是长周期项目说明现金流有压力。
有个做新能源的朋友跟我分享了个做法,他们每季度开一次AI投资评审会,不是审项目进度,是审组合结构。哪个赛道投入过重了,哪个场景重复建设了,哪些项目该关停并转。他们有个硬规矩:任何一个AI项目,如果连续两个季度没有可量化的收益指标达成,自动进入关停评估流程。这个规矩听着冷酷,但让整个组织对ROI这件事保持敬畏。AI投资最怕的是温水煮青蛙,项目不死不活占着资源,拖两年变成沉没成本。
从单项目到组合,本质上是从算小账到算大账。小账算的是这个模型比人工便宜多少,大账算的是整个组织的AI投资回报率跟资本成本比能不能跑赢。这个跳跃不容易,需要财务、业务、技术三边坐在一张桌子上说话。我观察下来,能把这个会开起来的企业,AI落地基本都过了试点期。开不起来的,还在一个项目一个项目地单打独斗。
上个月在杭州见了一个做AI客服的创业者,他跟我吐槽说最近丢了一单。客户是一家头部消费品牌,谈了三轮,方案没问题,价格也压到骨折了,最后卡在付费方式上。客户说你们按坐席收年费,万一用起来效果不好我找谁哭去。创业者说我们技术指标行业前三。客户说那是你的事,我只看我的投诉率降没降。两个人吃饭聊了仨小时,谁也没说服谁,单子黄了。他问我:到底该硬扛订阅制还是妥协做按效果付费。我说这个问题没有标准答案,但你得先把每种模式背后的账本翻清楚。
4.1 主流盈利模式盘点:订阅、按量、按效果、平台分成与混合模式
市面上跑出来的AI盈利模式,掰着手指头数大概五类。订阅制最主流,按月按年按坐席收钱,Salesforce当年把这套玩透了,现在AI SaaS基本照抄。按量付费是按调用次数或算力消耗收钱,OpenAI的API、云厂商的模型服务都这么干。按效果付费这两年抬头势头很猛,典型话术是“帮你省了多少钱咱们分账”或者“效果不达标不收钱”。平台分成是抽佣逻辑,AI能力嵌在交易场景里,成交额里切一块。混合模式最常见,底薪加提成,订阅费打底、效果费浮动。
我自己的观察是,模式背后反映的是客户对确定性的定价。早期客户不懂AI能干什么,愿意为“可能性”付订阅费,图的是功能齐全随便用。现在客户被教育了两三年,学会问“你这个东西到底能给我省几个人”了,自然就往按效果的方向漂。有个做供应链预测的朋友跟我说了句话挺到位:订阅制卖的是工具,效果付费卖的是结果,工具和结果之间的价差,就是客户的不信任折扣。
还有一个维度容易被忽略。模式选择跟客户规模强相关。大企业预算制度僵化,按效果付费的账很难走流程,财务部门没法入账一个金额不确定的科目。中小企业预算灵活,老板拍脑袋就能签,但他们更在意现金流,订阅制年付会让他们肉疼。我见过一个SaaS公司做了两套报价单,大客户推订阅、中小客户推按效果,同一个产品两个价格体系,后台居然能跑通。
4.2 SaaS订阅模式:收入可预测性、客户成功与规模化逻辑
做SaaS的人喜欢订阅制,核心原因就一个字:稳。年付一签,ARR锁住了,投资人看报表舒服,公司做预算也从容。我认识一个AI视频生成的创业公司,去年ARR做到六千万,今年计划翻倍,靠的就是老客户续费加座位扩容。他们销售VP跟我说,订阅制的魅力在于你每天早上醒来,账上已经躺着上个月的续费了,不用天天从零开始打猎。
客户成功这个部门就是订阅制的产物。订阅模式下的商业模式本质是续费,续不上前面的获客成本全打水漂。所以AI SaaS公司普遍把客户成功团队看得比销售还重,尤其是做企业服务的。有个做智能招聘的企业朋友跟我讲,他们客户成功团队有个指标叫“健康分”,根据客户登录频次、功能使用深度、工单响应速度打分,分低的客户提前三个月预警,专人上门做价值复盘。这套打法让他们的净收入留存率做到了一百一十五。就是说老客户不光续费,还扩座。
规模化逻辑在订阅制下特别顺。标准产品、标准定价、在线签约、自助开通,边际成本趋近于零。有个做AI写作工具的团队一共八个人,服务三万多家中小客户,全靠产品自助转化,日订单峰值破千。这种生意形态按效果付费是做不了的,效果怎么算?写得好不好谁说了算?订阅制在长尾市场几乎没有对手,因为交易成本足够低。
但订阅制的软肋也在这里。客户用得不好照样付钱,短期没事,长期续费时算总账就翻脸。我见过一个智能报表工具,第一年卖了八百套,第二年续费率掉到四成。原因是客户买了之后没人用,到了续费节点财务说去年那笔钱白花了。他们CEO后来复盘,说订阅制容易让团队产生一种懒惰心理——反正钱收了,客户用不用关我什么事。这种心态在按效果付费模式里根本活不下来。
4.3 按效果付费模式:价值对齐、风险分担与计量挑战
按效果付费听着挺美,做起来全是坑。最大的坑是计量。什么算效果?省了人力算效果,那省下来的人有没有被裁掉?提升了转化率算效果,那同比增长里有多少是你的功劳?有个做营销AI的公司签了一单按CPS分账,投放效果确实好,但客户说种草内容带来的是品牌声量不是直接成交,成交里还有线下门店的贡献,双方财务为归因模型吵了两个月。最后改了合同,按点击计费,效果好不好另说,至少数得清楚。
价值对齐这件事,说起来容易做起来难。我跟踪过一个做工业质检AI的案例,合同里头一次用了“按检出缺陷数量付费”。听着合理,很快就出问题了。客户的生产部门想多产快跑,质检AI的漏检率自然升高。AI公司想让客户放慢产线速度保证检出率。两边利益短期打架了。后来重新谈,改成“按每万件质检成本下降幅度分账”,把双方绑到同一个指标上,才算消停。
风险分担是效果付费的真正卖点。尤其在经济下行期,客户预算收紧, CFO们一听“不达标不收费”眼睛都亮了。有个做AI催收的创业公司跟我讲,他们去年签了十几个客户,全是按回款金额分成。客户零门槛接入,他们扛前期部署成本。听起来吃亏,但他们算过账,真正跑起来的客户综合回报率比订阅制高两到三倍。因为效果好的时候他们分走的也多。这个模式赌的是自己的产品力,敢赌的通常都是对效果有绝对信心的团队。
计量挑战之外还有一个财务确认的问题。按效果付费的合同在会计准则下,收入确认时点不确定,金额不确定,审计师会反复问。我认识一个准备IPO的AI公司,本来想讲一个按效果付费的性感故事,听完审计师的意见默默把合同改成了订阅保底加效果分成。资本市场上,确定性溢价远高于浮动收益的想象空间。这事挺现实的。
4.4 模式选择与合同设计:适用场景、财务影响与风险控制
到底选哪种模式,我自己的判断框架就三个问题。第一,效果能不能被清晰计量。能算清楚的,比如节省人力、降低损耗、提升回款,效果付费可行。算不清楚的,比如提升品牌调性、增强员工体验,老老实实做订阅。第二,客户的风险承受意愿。大企业怕麻烦,中企业怕花钱,小企业怕不确定。怕麻烦的推订阅,怕花钱的推按量,怕不确定的推效果。第三,自己的现金流能不能扛。效果付费前期垫成本,回款周期长,口袋里没几个亿的别一上来就玩这个。
合同设计比商业模式选择更微妙。同样的按效果付费,合同条款怎么写决定了是双赢还是互相挖坑。我见过一个写得挺聪明的条款,叫“效果阶梯”:举个例,AI客服合同里约定,解决率达到百分之六十以下不收效果费,百分之六十到七十五按基础价收,超过七十五每涨一个点加价百分之五。这种结构把双方绑到了同一个方向,客户越用越划算,厂商越干越有劲。
风险控制得前置。做效果付费之前先做小规模试点,用三个月的数据把基线摸清楚。有个做能耗优化的团队跟我说,他们每个客户上线前先跑两个月影子模式,AI给建议但不控制设备,记录如果按AI建议操作能省多少电。有了这个数据再谈分成比例,双方心里都有底。没有基线数据就敢签效果付费的,要么是勇士要么是傻子。
财务影响要提前算。订阅制的现金流曲线是上台阶,签一单跳一格。效果付费的曲线是爬坡,前几个月负现金流,后面慢慢回正。我见过一个团队从订阅制转效果付费,转了一半发现账上现金撑不到回款周期,又灰溜溜转回去了。这种教训在行业里不稀罕。模式没有优劣,匹配自己节奏的才是对的。
4.5 混合定价与动态定价:AI产品商业化定价创新
纯粹的订阅和纯粹的效果付费都少见,市场上的主流是混合。底薪加分成是标配,差别在底薪定多低、分成定多高。有个做AI法律顾问的公司设计得挺巧,底薪按基础功能收,比如合同审查一百份以内月费三千,超出部分按份计费。客户按需扩容,他们收得住长尾。这种结构本质上是订阅加按量,把固定成本和变动成本分开定价。
动态定价在AI产品里开始冒头。跟Uber的峰谷定价逻辑类似,AI推理成本在高峰期和低谷期不一样。有个做AI视频渲染的云平台,白天渲染一帧收八毛,凌晨收三毛,引导客户错峰使用。客户省了钱,平台提高了GPU利用率。双向奔赴的生意。这种定价在算力密集型产品里会越来越常见,本质上是用价格调节供需。
基于价值指标的定价是另一个方向。不是按坐席也不按调用量,按客户获得的业务价值定价。比如AI销售预测工具,不按用户数收费,按预测准确率对应的库存周转提升比例收费。这种定价对厂商的要求极高,你得真懂客户的业务,还得能证明因果关系。敢这么定价的团队,通常都是行业老炮出来创业。
我自己的观点是,未来两三年AI商业化的定价会走向“模块化菜单”。基础能力订阅,增值效果分成,算力消耗按量,行业解决方案打包。客户像点菜一样选组合。这种模式对厂商的产品架构和计费系统要求很高,得能把不同价值维度拆开卖。现在能跑通这种模式的还不多,但方向已经清晰了。有个投资人朋友跟我说,他看AI项目现在必问一个问题:你的定价菜单能不能拆成三张报价单。拆不出来的,说明产品价值还没想清楚。
前阵子跟一个做投资的哥们儿吃饭,他跟我说今年看了四十多个AI项目,最后只出手了一个。我问他为啥这么谨慎。他说大部分项目要么技术很炫但客户不买单,要么客户想买单但账算不过来。他打了个比方,说现在的AI商业化就像一锅烧到八十度的水,气泡冒得很热闹,但离真正沸腾还差一口气。这口气是什么?就是闭环。企业用AI能见到真金白银的回报,厂商收钱收得理直气壮,两边都觉得这买卖能长期做下去。缺了这个闭环,再热闹的赛道也是昙花一现。
5.1 企业侧:以ROI为导向推进AI应用落地
企业买AI的决策逻辑这两年变化特别明显。我去年拜访过一家年营收五十亿的制造企业,CIO跟我讲他们前年做AI预算的时候,老板问的是“同行都在搞什么”,去年问的是“这个东西多久能回本”,今年直接改成了“你上个季度投的那三百万带来了多少产出”。这个变化逼着企业内部负责AI落地的团队从技术思维转向经营思维。有个做智能排产的项目,一开始技术团队拼命优化算法精度,从九十二做到九十六,汇报的时候老板问省了多少成本。他们傻眼了,因为精度提升带来的产线效率改善根本没算过。后来补做了一套ROI跟踪体系,把换线时间、设备利用率、订单交付准时率全部折算成钱,才把账算明白。
以ROI为导向最怕的是只算明账不算暗账。我见过一个零售企业上AI选品系统,采购成本、库存周转这些显性收益算得挺清楚,上线半年ROI百分之四十,报告写得漂亮。但没人注意到门店员工因为系统频繁改推荐逻辑多花了大量时间重新布置货架,那部分人工成本压根没进模型。年底区域经理开会的时候怨声载道,说AI是给总部省钱了,门店快被折腾散架了。这事给我一个挺深的触动:ROI不能只算总部账,得算全局账。隐性成本不摸清楚,项目越成功,反弹越大。
从落地节奏看,我自己的观察是先啃硬骨头不如先摘低垂果实。有个做医疗器械的客户,第一年上了AI客服和AI工单分派两个小项目,投入不到一百万,三个月上线,半年ROI跑到百分之一百二。老板一看这东西真能省钱,第二年主动批了八百万做AI辅助诊断研发。这个顺序很关键。先用快赢项目建立信任、积累数据、跑通流程,再往深水区走。反过来先搞大项目,周期长、风险高,中间稍微出点岔子,整个AI战略可能就被叫停了。
企业侧还有一件事得做扎实,就是把AI项目的管理从单个项目制升级到组合管理。我认识一个金融集团的科技部老总,他手底下同时跑着十几个AI项目,前年亏了两个、平了五个、赚了三个。他跟我说单看那两个亏损项目,内部审计差点把它们毙掉,但他坚持留着,因为那两个项目沉淀的数据和模型能力被另外三个赚钱的项目反复调用。这就是组合思维。单个项目亏钱不代表该砍,关键看它在整个盘子里的位置。企业得建立一套组合级的ROI度量体系,把项目之间的协同价值也算进去。
5.2 厂商侧:以价值计量优化盈利模式组合
厂商这边,我聊过的创始人里十个有八个在纠结同一个问题:客户说效果很好但续费的时候嫌贵。这个问题的根子往往不在价格本身,在于厂商没把价值计量做透。有个做AI合同审查的公司跟我分享过一个做法,他们在合同里附了一张价值对账单,把客户用他们产品审查了多少份合同、标记了多少风险条款、其中多少条后来在谈判中被采纳、按客户内部法务人力成本折算节省了多少钱,一条条列清楚。续费谈判的时候客户拿着这张表看了半天,说行吧续吧。老板跟我感慨,说做价值计量比做算法难多了,算法有标准答案,价值计量得跟客户财务部门一起编报表。
盈利模式组合的优化方向,我个人觉得是从卖工具往卖结果迁移,但不能一步到位。前面章节聊过按效果付费的坑,厂商得有节奏感。一个比较稳妥的路径是先用订阅制建立客户关系和数据基础,跑上一年半载有了基线数据,再在续约的时候往混合模式转。我跟踪过一个做AI能耗管理的团队,第一年纯订阅,第二年改成订阅保底加节能分成,第三年把订阅部分进一步缩到只覆盖基础接入成本,大头放在分成上。每年调一次,客户没觉得突兀,他们自己的现金流也没断过。这种渐进式迁移比一上来就赌效果付费要稳得多。
定价菜单的模块化这件事,我越想越觉得是未来两三年厂商必须补的课。有个做AI营销云的朋友跟我吐槽,说客户的需求千奇百怪,有要按门店数收费的,有要按活动场次收费的,有要按会员增量收费的。他们的计费系统改一次扒一层皮。后来痛定思痛重建了底层计费架构,把AI能力拆成一个个可独立计价的功能模块,客户像搭积木一样选组合,后台自动生成报价单。这套东西建了一年半,投入不小,建完之后销售效率翻了将近一倍。他说以前签一单平均改三次报价方案,现在一次过。价值计量做细了,盈利模式自然就灵活了。
厂商侧还有一个容易被忽视的点,就是得帮客户把内部汇报的弹药准备好。企业负责AI项目的经理人最头疼的事是年底怎么向老板证明这笔钱花得值。有个做AI客服的厂商每次季度复盘会给客户提供一份自动生成的报告,里面有关键指标趋势、同行对标数据、下阶段优化建议。客户拿着这份报告直接可以向上汇报。这个增值服务不额外收钱,但续费率明显比不提供的厂商高出一截。帮客户把账算清楚,本质上就是在帮自己续费。
5.3 行动建议:企业选型、投资评估与商业模式迭代
给企业侧的建议,我自己的经验是选型的时候别只看技术指标,得看三个匹配。第一个是数据匹配,你的数据基础能不能喂饱这个模型。我见过一个企业兴冲冲买了套AI预测性维护系统,上线才发现关键设备根本没有传感器采集振动数据,补装硬件又多花了半年。第二个是流程匹配,AI嵌进去之后业务流程怎么改、谁负责审核AI的输出、出了错谁担责,这些必须在合同里跟厂商掰扯清楚。第三个是组织匹配,有没有人懂AI、有没有人愿意为AI的效果负责。三个匹配缺一个,项目失败概率就大幅上升。
投资评估这块,我建议企业内部建立一个轻量级的AI项目评分卡。不用搞得多复杂,四五个维度就够了:预期ROI、数据准备度、流程改动量、组织接受度、供应商成熟度。每个维度打一到五分,加权算总分。分数低的项目先放放,分数高的先上。有个做物流的朋友就是这么干的,他们用这套评分卡把最初报上来的三十多个AI场景筛到了六个,第一批上了三个,全成功了。他跟我说,筛选过程本身就是跟业务部门对齐预期的过程,比后面扯皮强。
商业模式迭代这件事,企业自己也得上心。不是说选了个SaaS订阅就一直订阅下去,市场在变,厂商的定价模式也在变。我认识一个零售企业的技术负责人,他们每年跟核心AI供应商做一次商业模式复盘,看看今年的用量结构跟去年比有什么变化,是不是有部分功能该从年费转到按量,是不是有部分场景适合改成效果分成。他说这种事不能等厂商提,自己得主动谈。谈的时候手里有数据,腰杆就硬气。去年他们把三个AI工具的合同从纯订阅改成了订阅加超额分成,省了百分之十五的固定支出,厂商那边也没吃亏,因为用量确实涨了。
最后说一个我自己的判断。AI商业化的闭环能不能建成,核心就看一件事:价值的创造方和价值的计量方能不能对上话。企业侧的业务部门创造价值,厂商侧的产品和财务团队计量价值,两边中间隔着一层翻译。现在市场上缺的恰恰是这个翻译角色。未来两三年,懂业务、懂AI、懂财务的复合型人才会特别抢手。我聊过的几个头部AI公司已经在内部设了“价值交付经理”这个岗位,干的就是这件事。谁先把这批人培养出来,谁就能在闭环里占据更有利的位置。
回过头看整个AI商业化的盘面,技术供给已经足够丰富了,应用场景也在快速铺开,盈利模式的各种变体基本都有人试过水了。接下来拼的不是谁的故事更性感,是谁的账本更干净、谁的闭环更扎实。企业侧把ROI导向落到每一个项目的管理动作里,厂商侧把价值计量做到客户的财务报表里,两边在合同桌上把分配规则谈清楚,这个行业才算真正走过了草莽期。我跟那个投资哥们儿后来又在深圳碰了一次面,他说最近出手了两个项目,都是那种ROI算得清清楚楚的。他说现在投AI跟投制造业差不多,不看PPT看报表。我觉得这是好事。